摘要
近年来，可解释人工智能在轴承故障诊断领域受到了越来越多的关注。然而，现有的可解释性方法（如Shapley加性解释（SHAP））往往依赖于输入特征的质量。为了实现高诊断准确性，研究人员通常从多个领域的振动信号中提取大量特征，从而导致特征冗余。这种冗余不仅增加了计算成本和诊断模型过拟合的风险，还削弱了核心特征在可解释性分析中的贡献，导致解释结果存在偏差。为了解决这一挑战，我们提出了一种两阶段的可解释故障诊断方法。在第一阶段，可解释提升机（EBM）选择核心特征以减少冗余。在第二阶段，通过残差学习将EBM与随机森林（RF）结合，形成RF-EBM诊断模型。随后使用EBM和SHAP进行双重可解释性分析。在公共实验室基准数据集上的实验结果表明，所提出的方法具有良好的诊断性能，并优于传统的EBM。总体而言，该方法通过特征选择减少了冗余，提高了诊断性能，并使决策过程更加透明，为工业应用中的可靠故障诊断提供了有用的方法论参考。
